Rastersuche (Grid Search)
Definition
Grid Search testet systematisch vorgegebene Kombinationen von Hyperparametern.
Für jeden Wert aus einem festgelegten Parameterraster werden Kombinationen ausprobiert und typischerweise mit einer Validierungsstrategie bewertet. Der Aufwand wächst schnell mit Zahl und Umfang der Parameter.
Einfach erklärt
Wie eine Tabelle aller erlaubten Einstellungen durchzuprobieren und jede Variante nach derselben Regel zu bewerten.
Warum das im Alltag wichtig ist
Relevant für kleine, überschaubare Suchräume und reproduzierbare Modellvergleiche.
Beispiel aus dem Mittelstand
Ein Klassifikator wird mit mehreren Lernraten, Regularisierungswerten und Modellgrößen per Kreuzvalidierung verglichen.
Grenzen und Fallstricke
- Zu große Raster erzeugen hohe Kosten; Testdaten zur Auswahl verwenden; nur den Bestwert betrachten und Varianz ignorieren; Grid Search automatisch effizient nennen.
Entstehung & Geschichte
Grid Search ist eine klassische Methode der Hyperparameteroptimierung. Scikit-learn bietet mit GridSearchCV eine verbreitete Implementierung; Bergstra und Bengio zeigten 2012, dass Random Search in vielen hochdimensionalen Räumen effizienter sein kann.
Anwendung im Mittelstand
- Mögliche Anwendung: nachvollziehbare Auswahl weniger wichtiger Modellparameter in einem begrenzten Pilotprojekt.
Häufige Fragen
Ist Grid Search immer sinnvoll?
Nein, bei vielen Parametern wird sie schnell teuer. Darf das Testset zur Auswahl dienen? Nein, dafür sollte eine getrennte Validierung verwendet werden.
Quellen
- GridSearchCV · scikit-learn, GridSearchCV
- Bergstra & Bengio (2012) · Bergstra & Bengio (2012)
Quellen geprüft am 10.10.2026.
Redaktionell geprüft am: